宋建辉，饶 威，于 洋，刘砚菊

（沈阳理工大学自动化与电气工程学院，沈阳 110159）

0 引言

无人机具有机动性强、制造成本低、拍摄图像分辨率高［1］等优势，使无人机航拍在农作物面积估算、遇险搜救、故障设备检测等领域得到广泛应用［2-4］。但在搜救过程中，由于无人机飞行高度高，无人机对地检测目标是所占整体像素比例不超过0.4%的小目标［5］，并且目标特征不明显、目标成像有噪点、目标有遮挡，使得一般的检测算法不适用于无人机影像。同时无人机在飞行过程中的机械抖动，让航拍影像中的小目标检测更是难上加难。

目前，以R-CNN［6］、Fast R-CNN［7］、Faster R-CNN［8］为代表的基于分类的目标检测算法在识别准确率上远远超过了传统算法［9-12］。R-CNN 算法通过选择性搜索［13］得到了多个候选区域框，然后对每个候选区域框进行卷积，最后采用支持向量机（Support Vector Machine，SVM）算法得到每个区域的分类结果。但R-CNN 对每一个候选区域分别进行一次卷积，导致运行量巨大，限制了算法的性能。Fast R-CNN 直接对整个图像进行卷积，让运算速度大大提高，但Fast R-CNN 依旧采用选择性搜索（Selective Search）算法产生候选区域框，这使得网络产生大量冗余的候选框，同时也增加了网络的负担。

Faster R-CNN 用RPN （Region Proposal Network）模块替代Selective Search 算法，加快候选区域框产生速度。同时RPN 可在GPU 上运行并与检测模块共享参数，使网络速度进一步提升。三者在VOC2007 数据测试集上检测速度、精度对比如表1。mAP 是多类样本的AP 均值。

表1 检测速度、精度对比表

Faster R-CNN 维持同等精度的同时速度提升了10 倍。但Faster-RCNN 对小目标检测效果不够理想，其原因在于对浅层特征的利用不够充分。……